孟彩霞，魏榮娟

(西安郵電大學 計算機學院，陜西 西安 710000)

0 引 言

隨著經(jīng)濟的發(fā)展及人民生活水平的提高，人們對自身健康越來越重視。當前我國人口老齡化和亞健康問題是受到廣泛關注的社會熱點問題。有報告顯示，截至2015年底，我國60歲以上老年人口已達2.22億，占總?cè)丝诘?6.15%[1]；另一方面，中國內(nèi)地城市白領中有76%處于亞健康狀態(tài)[2]。健康體檢是了解受檢者健康狀況、早期發(fā)現(xiàn)疾病線索和健康隱患的重要方式，對老齡化和亞健康人群是非常必要的。目前城市中體檢的理念已經(jīng)深入人心，很多單位和個人每年都會進行相應的體檢，目前已經(jīng)出現(xiàn)很多運營成功的商業(yè)化健康體檢機構(gòu)，如愛康國賓體檢中心、百歲啦、普惠體檢中心等。

體檢數(shù)據(jù)的管理與應用具有重要的社會和經(jīng)濟價值。體檢結(jié)果的電子數(shù)據(jù)儲存在體檢機構(gòu)，交給客戶的是紙質(zhì)版的打印報告。顯然紙質(zhì)報告具有不易保管、易丟失和破損等缺點，常年累積的體檢報告還占用空間，不便于管理。另一方面，用戶體檢是一個長期行為，如果采用數(shù)據(jù)分析技術(shù)從用戶多年體檢數(shù)據(jù)中發(fā)掘出有用的信息用于指導個體健康極具應用價值。

移動互聯(lián)網(wǎng)和移動智能終端的發(fā)展與普及推動了基于移動端的個人醫(yī)療健康管理應用的開發(fā)。文中對移動端進行健康體檢報告影像識別及數(shù)據(jù)分析的方法進行了研究，將文字識別功能移植于智能手機上，利用手機便捷的照相機功能，獲取病歷報告的圖像文件并識別，快速存儲紙質(zhì)介質(zhì)信息；針對個人歷史體檢數(shù)據(jù)進行管理及數(shù)據(jù)分析和可視化并給用戶提供相關的建議，指導個人健康生活。該研究工作具有重要的社會意義和應用價值。

1 系統(tǒng)需求與設計

1.1 需求分析

文字識別功能的主要技術(shù)為OCR(optical character recognition)[3]。目前OCR技術(shù)應用己經(jīng)相當成熟，市場上出現(xiàn)了不少相關OCR文字識別的應用軟件，著名的有國外的Abbyy、國內(nèi)的漢王等，但大部分軟件都只應用在計算機平臺上或嵌入到掃描設備中，便捷性太低，加上掃描圖像的繁瑣，不能滿足隨時識別文字并記錄的需求。OCR技術(shù)在移動醫(yī)療領域的應用更是處于探索階段，針對病歷報告識別的軟件屈指可數(shù)，僅有的幾款軟件如珍立拍、病歷夾等，均存在識別版面不全、字符識別率低、識別結(jié)果易受環(huán)境影響、軟件功能單一等問題?；谝苿佣说膫€人醫(yī)療健康管理系統(tǒng)可以解決傳統(tǒng)大型掃描設備使用步驟繁雜和移動不便等窘境，及時存儲個人醫(yī)療數(shù)據(jù)，發(fā)現(xiàn)潛在疾病風險，給移動生活和健康管理提供了極大的便利。

1.2 功能模塊設計

基于移動端個人醫(yī)療健康管理系統(tǒng)框架如圖1所示。

圖1 系統(tǒng)框架

系統(tǒng)主要分為5個模塊：影像生成模塊、圖像處理模塊、字符識別模塊、文字編輯模塊和數(shù)據(jù)分析模塊，具體如下：

(1)影像生成模塊。用戶通過注冊登錄客戶端進行圖像采集，運用打開手機上的攝像頭，對各種紙質(zhì)病歷報告、體檢報告進行拍照，或是通過在已有的手機圖片庫中進行選擇，獲取需要處理的圖片。

(2)圖像處理模塊。對獲取到的圖像文件進行圖像處理，主要具有去噪、圖像增強、圖像旋轉(zhuǎn)等功能，目的是提高文字識別率。

(3)字符識別模塊。是系統(tǒng)的關鍵部分，對后續(xù)數(shù)據(jù)分析結(jié)果有直接影響。字符識別模塊主要對獲取的字符進行“翻譯”，根據(jù)病歷報告的分布特點首先進行行分割的字段“閱讀”，再對每個字段內(nèi)的單個字符進行列切割的逐字辨認、單字“翻譯”。

(4)文字編輯模塊。主要對OCR識別后的字符進行修改和編輯。系統(tǒng)自動查找可疑字，對認為有誤的字符可以由用戶進行文字編輯，實現(xiàn)人工校正功能。

(5)數(shù)據(jù)分析模塊。使用OCR算法識別關鍵信息并儲存到數(shù)據(jù)庫中，通過識別結(jié)果對用戶歷年的個體數(shù)據(jù)進行管理和分析，給出直觀的可視化圖形，幫助用戶發(fā)現(xiàn)疾病潛在風險并提出健康小建議。

2 OCR技術(shù)的實現(xiàn)

2.1 圖像預處理

文中方法的第一步是移動端拍攝體檢報告的預處理。預處理步驟包括采用平均法[4]進行彩色圖像灰度化、中值濾波[5]去噪、最大類間方差法(Otsu算法[6])進行二值化。病歷報告中存在著大量表格線(見圖2(a))，影響文字識別結(jié)果。對于有表格內(nèi)容的識別處理操作有兩種：一是表格線中內(nèi)容先提取，再進行識別；二是對表格線進行消隱，再對純文本進行識別[7]。文中使用的體檢報告表格線和表中字符基本無粘連，字符跨表現(xiàn)象少，所以采用第二種方法進行處理。

要實現(xiàn)表格線檢測，首先要進行直線檢測，傳統(tǒng)的直線檢測法有Hough直線檢測算法[8]、投影法[9]等。由于Hough直線檢測過程中容易丟失某些線段的端點和長度信息，投影法又難以分割開表格線交叉處的直線，因此文中采用投影法結(jié)合經(jīng)驗閾值判斷的方法進行表格線檢測，采用二值化圖像賦值法進行表格線的消隱。算法思路是首先對圖像進行行投影，得到該圖的水平投影直方圖(見圖2(b))，圖中有數(shù)個明顯的波峰分別對應了報告單中的數(shù)條橫向表格線，但由于橫豎表格線之間有交叉，造成尖峰波峰之間有較小較寬像素的連接，因此，需要找個合適的分割位置對波峰進行切斷操作，也即對表格線邊界進行判斷。

圖2 表格線及其投影

表格線邊界判斷步驟如下：

Step1：求出所有波峰(包括尖峰和較寬峰)的平均高度avgRow，尋找到最高波峰高度值maxRow；

Step2：對平均高度avgRow放大一定的倍數(shù)T1，當表格線像素點的高度大于T1倍平均高度時，即為波峰的一個極大點，記錄其位置，找到所有尖峰位置Row(i)=T1*avgRow。其中T1為經(jīng)驗閾值，初始值為T1=maxRow/avgRow。實驗中可以對T1進行適當調(diào)整，直到找到所有的尖峰高度值；

Step3：根據(jù)實驗及經(jīng)驗知識可知，體檢報告表格線交叉處像素點累計個數(shù)一般為個(十)位數(shù)，所以沿著每個尖峰最高位置Row(i)分別向上、向下遍歷尋找到最后一個個(十)位數(shù)為止，即為潛在表格線邊界位置topR(i)和bottomR(i)；

Step4：以topR(i)和bottomR(i)為行掃描上下邊界，進行二值圖像的賦值，將所有像素賦值0，使目標像素點變?yōu)楸尘跋袼攸c，即實現(xiàn)行表格線的消除。

經(jīng)過行表格線消除后的列表格線已經(jīng)清晰地分開，可直接利用投影賦值法進行消除。

2.2 字符識別

2.2.1 字段切割

體檢報告單中文字信息排版不規(guī)則，文字塊相隔間距較大，為了便于將識別結(jié)果的相應體檢項目、測量結(jié)果及單位存入數(shù)據(jù)分析數(shù)據(jù)庫中，首先做一個字段分割處理，步驟如下：

Step1：通過行投影法對圖像進行投影及行分割。

Step2：通過垂直投影法對每行進行列投影，以每個波峰的左右邊界為起始點，分別向左、右T2個長度進行遍歷，若T2個連續(xù)位置均無像素點，則此波峰左、右邊界即為字段左、右邊界，根據(jù)邊界進行字段列切割；若左(右)邊界T2個長度內(nèi)有任意一個像素點存在，則跳到下一個波峰的左(右)邊界，繼續(xù)遍歷尋找，直到找到要求的邊界為止。這里T2為經(jīng)驗值，文中取T2=15，切割結(jié)果如圖3所示。

圖3 字段切割示例圖

2.2.2 字符切割及歸一化

當前字符切分技術(shù)主要有以下幾種方法[10-11]：基于圖像分析的切分、基于識別的切分、綜合切分及整體識別切分，文中采用投影法結(jié)合經(jīng)驗值的試切分方法對文字進行切割。針對切割后的每一個字段重新進行投影分割，對于少量不能被正確分割出來的字符，如圖4中的“mo”，采用基于識別的切分方法，給予1/2，2/3……一系列經(jīng)驗值的切分位置進行試切分，送入模板庫進行匹配，最終找到切分位置并識別出結(jié)果。

由于切割后的字符大小不一，為了便于和字模庫中的字模進行匹配，需要進行歸一化處理。常用的歸一化方法主要有兩種：分裂合并歸一化與插值變換歸一化[12]。文中的字符經(jīng)過分割后像素偏小，需要對圖像進行放大，所以選用第二種方法，采用三次卷積插值算法[13]，將字符尺寸歸一化到48×48點陣，便于與字模數(shù)據(jù)庫進行比對，提高識別率。

圖4 字符歸一化結(jié)果

2.2.3 字符識別

目前，用于字符識別的算法主要有基于模板匹配的字符識別算法[14]、特征統(tǒng)計匹配法[15]和基于神經(jīng)網(wǎng)絡的字符識別算法[16]。特征統(tǒng)計匹配法是提取待識別模式的一組統(tǒng)計特征，通過按一定準則確定的決策函數(shù)進行分類判別。在字符識別中常用的特征方法是網(wǎng)格特征匹配法。但是實際應用中，由于外部原因常會出現(xiàn)字符模糊、傾斜等情況，影響識別效果。因而，此方法實際應用效果不理想，魯棒性不強。模板匹配方法體現(xiàn)的是字符的整體特征，它比特征統(tǒng)計匹配法更有效。由于醫(yī)療體檢報告字體是印刷體，結(jié)構(gòu)標準，所以采用模板匹配法進行識別。文中實驗方案暫時不考慮分類器方法[17]，原因是分類器方法涉及到大量的訓練，針對手寫字符、變體字符及多字體識別時比較有效。

為了保證識別結(jié)果的正確性，系統(tǒng)做了兩方面的保證：一是識別結(jié)果提供人工校正的編輯接口；二是對比數(shù)據(jù)庫的建立。系統(tǒng)中預先已經(jīng)建立了一個常用醫(yī)學符號單位庫，數(shù)據(jù)庫中的內(nèi)容包含了所有預先識別的醫(yī)學名稱、單位、符號等字集，方便識別結(jié)果進入庫中進行字符串比對，確保識別結(jié)果的正確性及權(quán)威性。

2.3 數(shù)據(jù)分析及可視化

數(shù)據(jù)分析是指用適當?shù)慕y(tǒng)計分析方法對收集來的大量數(shù)據(jù)進行分析，提取有用信息并形成結(jié)論而對數(shù)據(jù)加以詳細研究和概括總結(jié)的過程。在實用中，數(shù)據(jù)分析可幫助人們做出判斷，以便采取適當行動。實驗中，數(shù)據(jù)分析模塊采用描述性統(tǒng)計方法[18]進行，對不同用戶的歷史體檢報告進行了識別，對同一用戶不同時期的體檢數(shù)據(jù)進行了統(tǒng)計和簡單分析，畫出不同項目的識別結(jié)果對比可視化圖形，根據(jù)分析結(jié)果給出健康建議。

3 系統(tǒng)測試

3.1 測試環(huán)境

(1)數(shù)據(jù)來源。

選用了某大學10位教師在某商業(yè)體檢公司中近三年體檢紙質(zhì)報告作為研究對象(已獲得本人同意)。實驗中分析了體檢報告中的基本信息表、身高體重血壓表、血常規(guī)表和生化檢驗表，分不同時期(以近期5個時間段為準)共計160(10×3×5+10)張測試樣本數(shù)據(jù)集。

(2)實驗數(shù)據(jù)。

(A)圖像數(shù)據(jù)庫。

收集160張標準體檢報告單，對每張報告單采用高清像素(蘋果800w)、普通像素(華為1 300w)和劣質(zhì)像素(天語800w)的三級拍照模式，在每一級模式下又采用自然光、白熾燈兩種不同的光照進行拍照，樣本總庫達到320(160×2)張樣本圖像，完成圖像數(shù)據(jù)庫的建立。

(B)字模數(shù)據(jù)庫。

采集國家標準漢字6 763個(國標一、二級字庫)，英文字母52個(大、小寫)，醫(yī)學特殊符號100個，數(shù)字10個(0～9)，累計6 925個字符，采用自己編寫的字模提取工具軟件，構(gòu)建英文、數(shù)字、漢字及醫(yī)學特殊符號字模數(shù)據(jù)庫。

(C)數(shù)據(jù)分析庫。

統(tǒng)計常用體檢報告醫(yī)學單位符號50個，存入標準單位庫D_Stand表中；從手機客戶端錄入用戶的ID號、姓名、密碼，從基本信息表識別后的結(jié)果中提取用戶的姓名、性別、年齡、手機號碼、工作單位、體檢日期，構(gòu)建客戶信息表D_Users；從身高體重血壓表識別結(jié)果中提取身高、體重、血壓等構(gòu)建身高體重血壓表D_HWB；從生化檢驗表識別結(jié)果中提取總膽紅素、血蛋白等數(shù)據(jù)，構(gòu)建生化檢驗表D_Bioc；從血常規(guī)報告識別結(jié)果中提取白細胞數(shù)、淋巴細胞比值等數(shù)據(jù)，構(gòu)建血常規(guī)表D_Blood，完成數(shù)據(jù)分析庫的建立。

(3)實驗環(huán)境。

所有實驗使用的系統(tǒng)軟硬件環(huán)境均相同。CPU為Intel(R)? Core(TM)? i5-4210M雙核(64位處理器)，2.59 GHz，內(nèi)存4 G；操作系統(tǒng)為Windows? 10中文版(64位系統(tǒng))；實驗程序用Matlab? R2010b編寫；原型APP系統(tǒng)的開發(fā)系統(tǒng)是Android 4.4.2版本。

3.2 實驗結(jié)果與分析

實驗結(jié)果分為兩部分，一是識別正確率：計算每一幅圖像中文字和符號的識別正確率，最后求出平均值，即為體檢報告整體識別率。具體做法是：針對每幅圖像，事先編輯一個文本文件，儲存各個字符正確的識別結(jié)果，最后將經(jīng)過算法識別的結(jié)果和這個文件相比較，計算出最終的識別正確率，如表1所示。二是數(shù)據(jù)分析結(jié)果，畫出不同項目的識別結(jié)果對比可視化圖形(見圖5)，給出參考健康建議。

表1 體檢報告識別結(jié)果

圖5 APP部分界面展示

此外，在上述算法基礎上，文中的一個重要工作是開發(fā)了原型APP系統(tǒng)(圖5)，系統(tǒng)界面簡潔、使用方便，幫助用戶及時存儲自己的疾病信息，了解自身健康狀態(tài)，使用戶的生活更健康、有質(zhì)量。

4 結(jié)束語

基于移動端個人醫(yī)療健康管理系統(tǒng)，用戶只需要一款簡單的手機，就能輕松實現(xiàn)快速存儲病歷信息，了解健康狀況，通過系統(tǒng)建議引導自身健康生活。系統(tǒng)使用方便，應用前景廣闊。

該研究雖取得了一些有益的成果，但仍存在以下缺點和不足：針對傾斜角度太大的病歷報告識別效果不好；實驗用戶數(shù)據(jù)庫數(shù)據(jù)太少，能挖掘的信息較少。下一步的研究方向是多種因素干擾下的病歷報告識別及通過此APP累積大量用戶的數(shù)據(jù)，可以采用數(shù)據(jù)挖掘以及機器學習的算法建立用戶健康模型，對個體健康提供相應的建議與指導。

[1] 張錦莉.當前農(nóng)村養(yǎng)老保障問題探析[J].人大建設,2016(12):48-50.

[2] 許魯平.健康類電視節(jié)目的公信力研究[D].濟南:山東師范大學,2014.

[3] SHAH P,KARAMCHANDANI S,NADKAR T,et al.OCR-based chassis-number recognition using artificial neural networks[C]//IEEE international conference on vehicular electronics and safety.[s.l.]:IEEE,2009:31-34.

[4] 張 鳳.街景影像的文字識別[D].北京:北京建筑工程學院,2012.

[5] 洪 濤,梁偉建,盧玉鳳.標牌粘連字符自適應定位分割重建與識別[J].中國圖象圖形學報,2014,19(6):886-895.

[6] OTSU N.A threshold selection method from gray level histograms[J].IEEE Transactions on Systems Man & Cybernetics,1979,9(1):62-66.

[7] 謝 亮.表格識別預處理技術(shù)與表格字符提取算法的研究[D].廣州:中山大學,2005.

[8] 滕今朝,邱 杰.利用Hough變換實現(xiàn)直線的快速精確檢測[J].中國圖象圖形學報,2008,13(2):234-237.

[9] 劉 昱.印刷體表格識別的研究[D].哈爾濱:哈爾濱工程大學,2013.

[10] CASEY R G,LECOLINET E.A survey of methods and strategies in character segmentation[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,1996,18(7):690-706.

[11] LU Y.On the segmentation of touching characters[C]//International conference on document analysis and recognition.[s.l.]:IEEE,1993:440-443.

[12] 萬金娥,袁保社,谷 朝,等.基于字符歸一化雙投影互相關性匹配識別算法[J].計算機應用,2013,33(3):645-647.

[13] 王 帥,馮 晉.基于三次卷積插值的貝葉斯濾波方法研究[J].系統(tǒng)科學與數(shù)學,2015,35(2):170-180.

[14] 陳麗芳,劉 淵,須文波.改進的歸一互相關法的灰度圖像模板匹配方法[J].計算機工程與應用,2011,47(26):181-183.

[15] 羅輝武,唐遠炎,王 翊,等.基于結(jié)構(gòu)特征和灰度特征的車牌字符識別方法[J].計算機科學,2011,38(11):267-270.

[16] 楊天長.基于神經(jīng)網(wǎng)絡的文字識別技術(shù)研究及應用[D].北京:北方工業(yè)大學,2013.

[17] 陳 文,張恩陽,趙 勇.基于多分類器協(xié)同學習的卷積神經(jīng)網(wǎng)絡訓練算法[J].計算機科學,2016,43(9):223-226.

[18] 王 曼.醫(yī)學論文統(tǒng)計描述性數(shù)據(jù)審核的問題與方法[J].中國科技期刊研究,2015,26(4):359-362.